1 of 21

ІНСТИТУТ ЕКОНОМІКИ ПРОМИСЛОВОСТІ �НАН УКРАЇНИ�НАЦІОНАЛЬНИЙ ІНСТИТУТ СТРАТЕГІЧНИХ ДОСЛІДЖЕНЬ

1

ЦИФРОВІЗАЦІЯ ВИЗНАЧЕННЯ ГРАНИЧНИХ ЗНАЧЕНЬ

ІНДИКАТОРІВ БЕЗПЕКИ

МЕТОДАМИ ШТУЧНОГО ІНТЕЛЕКТУ

Ю.М. Харазішвілі,д.е.н.,с.н.с., голов. наук. співробітник, ІЕП НАНУ, НІСД

2 of 21

2

МЕТОДИ ВИЗНАЧЕННЯ ГРАНИЧНИХ ЗНАЧЕНЬ ІНДИКАТОРІВ БЕЗПЕКИ

1. Прикладна теорія систем

2. Теорія управління

3. Економічна кібернетика

КОНЦЕПЦІЯ - УПРАВЛІНСЬКА КОНСТРУКЦІЯ, ЩО МИСТИТЬ ЗАГАЛЬНЕ СИСТЕМНЕ УЯВЛЕННЯ ЩОДО ШЛЯХІВ ПЕРЕХОДУ ВІД ПОТОЧНОГО ПОЛОЖЕННЯ ОБ’ЄКТА УПРАВЛІННЯ ДО БАЖАНОГО:

1. Визначення структури та системи індикаторів.

2. Визначення меж безпечного існування.

3. Ідентифікація рівня сталого розвитку у безпековому вимірі.

4. Визначення дисбалансів, переліку та вагомості впливу загроз.

5. ЦІлеполагання та стратегування сталого розвитку.

6. Розроблення інституційних заходів.

1. ЕВРИСТИЧНІ МЕТОДИ: метод снігової кулі, метод аналогій, метод калібрування

2. СТОХАСТИЧНІ МЕТОДИ: метод діагностування (кластерний аналіз, метод теорії нечітких множин, метод t-критерію, метод логістичної регресії.

3. АНАЛІТИЧНІ МЕТОДИ: метод Ахієзера-Гольца, методи теорії інформації, метод правила «золотого перетину».

4. МЕТОДИ НЕЛІНІЙНОЇ ДИНАМИКИ: вейвлет-аналіз

НЕДОЛІКИ:

Відсутність теоретичної основи визначення градацій безпеки;

2. Відсутність їхнього теоретичного кількісного обґрунтування

3 of 21

3

ОГЛЯД ІСНУЮЧИХ МЕТОДІВ

Евристичні методи орієнтуються на переважно експертних, суб’єктивних оцінках, що безперечно знижує практичну та наукову цінність. Тому їх можна використовувати у випадку, коли статистична інформація є недостовірною, відсутня або наявна в обмеженій кількості; частина інформації має якісний характер; складність завдання і ресурсні обмеження не дозволяють експертам самостійно зібрати та узагальнити всю необхідну інформацію; інші методи за якимось причинами неможливо застосувати

Аналітичні методи та методи нелінійної динаміки є занадто загальними та потребують удосконалення у кожному практичному випадку, до того ж мова не йде про визначення вектору граничних значень.

Стохастичні методи (діагностування) мають хорошу теоретичну основу та практичну значущість при обробленні статистичних даних, перспективу подальшого розвитку та найбільш придатні для формалізації та універсального застосування

4 of 21

4

МЕТА

Цифровізація (розроблення алгоритму та програмного забезпечення) формалізованого визначення типу розподілу (автоматична класифікація) та вектору граничних значень (теоретичного обґрунтування градацій безпеки та їхнього кількісного визначення) індикаторів безпеки методами штучного інтелекту

5 of 21

5

ГОМЕОСТАТИЧНЕ ПЛАТО ЗА ВАН ГИГОМ

(1978 р.)

Гомеостатичне плато

Область дії додатного оберненого зв’язку

Руйнування системи

Керуючи впливі на систему

Опір с

истемі

керування

Область дії від’ємного оберненого зв’язку

В1

В2

Верхній поріг

Нижній поріг

6 of 21

6

ВИЗНАЧЕННЯ МЕЖ БЕЗПЕЧНОГО ІСНУВАННЯ

(градаций безпеки)

Гомеостатичне

плато

Область нейтрального оберненого зв’язку

Область додатного оберненого зв’язку

Руйнування системи

Керуючі впливи на систему

Опір системі керування

Область від’ємного оберненого зв’язку

7 of 21

7

ТЕОРЕТИЧНА ОСНОВА ВИЗНАЧЕННЯ МЕЖ

БЕЗПЕЧНОГО ІСНУВАННЯ

Кількість градацій безпеки (критичний, пороговий, оптимальний) в обидві сторони гомеостатичного плато пов’язуємо з поняттям розширеного “гомеостатичного плато” та сферами додатного, нейтрального і від’ємного зворотного зв’язку – прикладна теорія систем

Кількісні значення градацій безпеки (точок біфуркації) пов’язуємо з розширенням методу “t-крітерію” через побудову функції щільності ймовірності, визначення приналежності к типу розподілу з розрахунком статистич-них характеристик “зразкової” вибірки (математичного очікування , середньоквадратичного відхилення та коефіцієнта асиметрії ) та формалізованого визначення точок біфуркації для характерних типів розподілу – теорія статистики

8 of 21

8

ХАРАКТЕРНІ ТИПИ ФУНКЦІЙ ЩІЛЬНОСТІ ЙМОВІРНОСТІ

Тип функцій щільності ймовірності	Нижнє порогове	Нижнє оптимальне	Верхнє оптимальне	Верхнє порогове
Нормальний
Логнормальний (хвіст вправо)
Логнормальний (хвіст вліво)
Експоненціальний (хвіст вправо)
Експоненціальний (хвіст вліво)

9 of 21

9

КРИТИЧНІ ЗНАЧЕННЯ КОЕФІЦІЄНТУ СТЬЮДЕНТА

(t-критерію) для різних ймовірностей P та f

p
f	0.80	0.90	0.95	0.98	0.99	0.995	0.998	0.999
10	1.3720	1.8125	2.2281	2.7638	3.1693	3.5814	4.1437	4.5869
11	1.363	1.795	2.201	2.718	3.105	3.496	4.024	4.437
12	1.3562	1.7823	2.1788	2.6810	3.0845	3.4284	3.929	4.178
13	1.3502	1.7709	2.1604	2.6503	3.1123	3.3725	3.852	4.220
14	1.3450	1.7613	2.1448	2.6245	2.976	3.3257	3.787	4.140
15	1.3406	1.7530	2.1314	2.6025	2.9467	3.2860	3.732	4.072
16	1.3360	1.7450	2.1190	2.5830	2.9200	3.2520	3.6860	4.0150
17	1.3334	1.7396	2.1098	2.5668	2.8982	3.2224	3.6458	3.965
18	1.3304	1.7341	2.1009	2.5514	2.8784	3.1966	3.6105	3.9216
19	1.3277	1.7291	2.0930	2.5395	2.8609	3.1737	3.5794	3.8834
20	1.3253	1.7247	2.08600	2.5280	2.8453	3.1534	3.5518	3.8495
30	1.3104	1.6973	2.0423	2.4573	2.7500	3.0298	3.3852	3.6460
40	1.303	1.6839	2.0211	2.4233	2.7045	3.9712	3.3069	3.5510
50	1.298	1.6759	2.0086	2.4033	2.6778	3.9370	3.2614	3.4060
55	1.2997	1.673	2.0040	2.3960	2.6680	2.9240	3.2560	3.4760
60	1.2958	1.6706	2.0003	2.3901	2.6603	3.9146	3.2317	3.4602

10 of 21

10

АВТОМАТИЧНА КЛАСИФІКАЦІЯ МЕТОДАМИ ШТУЧНОГО ІНТЕЛЕКТУ (кластерний аналіз)

Невирішеною проблемою повної цифровізації визначення меж безпечного існування є автоматична класифікація (розпізнавання образів) типу розподілу функції щільності ймовірності заданої вибірки, для розв’язання якої найбільш придатними є методи штучного інтелекту, зокрема кластерного аналізу.

Nils J. Nilsson :“Искусственный интеллект – это деятельность, направленная на то, чтобы сделать машины разумными, а интеллект – это то качество, которое позволяет объекту функционировать должным образом и с предвидением в своей среде”

1. Аналог евклідової відстані (кількісна ознака):

де N - кількість точок зразкової вибірки; k – кількість кластерів (типів розподілу);

11 of 21

11

АВТОМАТИЧНА КЛАСИФІКАЦІЯ МЕТОДАМИ ШТУЧНОГО ІНТЕЛЕКТУ (кластерний аналіз)

2. Аналог манхеттенської метрики (кількісна ознака):

3. Аналог міри подібності Роджерса-Танімото - розпізнавання за характерними ознаками (якісна ознака)

нормальний тип розподілу: а) чітко виражений максимум (не по краях вибірки); б) від точки максимуму ліворуч і праворуч однакова кількість точок ( ) з меншими ординатами; в) відстань від точки максимуму вліво і вправо приблизно однакова до крайніх точок ( ).
логнормальний тип розподілу: а) чітко виражений максимум (не по краях вибірки); б) вліво (вправо) від точки максимуму має бути не менше 1-2 точок з меншими ординатами; в) більша частина точок праворуч (ліворуч) має ординату, що зменшується, від максимуму; г) відстань від точки максимуму до крайніх точок суттєво відрізняється (> 2).

- експоненційний тип розподілу: а) чітко виражений максимум у крайній лівій (правій) точці; б) більшість точок праворуч (ліворуч) мають ординату, що зменшується.

12 of 21

12

СТРУКТУРА АЛГОРИТМУ ЦИФРОВІЗАЦІЇ ВЕКТОРУ ГРАНИЧНИХ ЗНАЧЕНЬ ІНДИКАТОРІВ БЕЗПЕКИ

Зчитування поточної вибірки з вихідного файлу

Statist.tab

Обчислення розмірності для функції щільності ймовірності за Cтерджесом та кроку; Вирівнювання розмірності “зразкової” таблиці функції щільності ймовірності з “еталонною”

Обчислення статистичних

характеристик вибірки:

Формування таблиці функції щільності ймовірності

для заданої “зразкової” вибірки:

Визначення типу розподілу

За критерієм євклідової відстані

За критерієм манхет-тенської метрики

За критерієм характерних ознак

Аналіз критеріїв та автоматична класифікація типу розподілу за принципом: 2 із 3

Розрахунок вектору граничних значень (верхнє та нижнє) за визначеним типом розподілу:

критичні, порогові, оптимальні

x.tab

Завершення програми

13 of 21

13

АНАЛІЗ КРІТЕРІЇВ ТА АВТОМАТИЧНА КЛАСИФІ-КАЦІЯ ТИПУ РОЗПОДІЛУ ЗА ПРИНЦИПОМ 2 з 3

Висновок програми автоматичної класифікації базується на результуючому критерії – збіг типів розподілу як мінімум за двома критеріями з трьох. Найменше значення критеріїв правдоподібності за трьома типами розподілу визначає його приналежність.

Значення змінної distribution визначає тип розподілу, а змінної subtype – підтип розподілу:

14 of 21

14

ПЕРЕВІРКА АДЕКВАТНОСТІ РОЗРАХУНКІВ МОДЕЛІ ЦИФРОВІЗАЦІЇ -1

ІНДИКАТОРИ, ЩО ЗАБЕЗПЕЧУЮТЬ ПОВНУ ФУНКЦІОНАЛЬНУ ПЕРЕВІРКУ МОДЕЛІ

1) рівень забезпечення власними ресурсами, % загального споживання;

2) енергоємність ВВП, тне/1000 дол. США;

3) ВВП на 1 особу, тис. дол. США;

4) енергоспоживання на 1 особу, т.н.е. на рік;

5) кінцева вуглеємність енергії, г СО2 / МДж;

6) рівень викидів СО2 на 1 ВВП, кг / дол. США;

7) рівень інвестування, % до випуску;

8) тривалість життя, років.

15 of 21

15

ПЕРЕВІРКА АДЕКВАТНОСТІ РОЗРАХУНКІВ МОДЕЛІ ЦИФРОВІЗАЦІЇ -2

16 of 21

16

ПЕРЕВІРКА АДЕКВАТНОСТІ РОЗРАХУНКІВ МОДЕЛІ ЦИФРОВІЗАЦІЇ -3

17 of 21

17

РЕЗУЛЬТАТИ АВТОМАТИЧНОЇ КЛАСИФІКАЦЇЇ

ТИПУ РОЗПОДІЛУ

Індикатори	Фактичний тип розподілу	За критерієм 1	За критерієм 2	За критерієм 3	Результуюча оцінка
1.Рівень забезпе-чення власними ресурсами	Експоненційний, хвіст ліворуч	Підтверджено	Підтверджено	Підтверджено	Три з трьох
2. Енергоємність ВВП	Експоненційний, хвіст праворуч	Підтверджено	Підтверджено	Підтверджено	Три з трьох
3. ВВП на 1 особу	Експоненційний, хвіст праворуч	Підтверджено	Підтверджено	Підтверджено	Три з трьох
4.Енерго спожи- вання на 1 особу	Логнормальний, хвіст праворуч	Підтверджено	Підтверджено	Підтверджено	Три з трьох
5. Кінцева вугле- ємність енергії	Логнормальний, хвіст ліворуч	Підтверджено	Підтверджено	Підтверджено	Три з трьох
6. Рівень викидів СО₂ на 1 ВВП	Логнормальний, хвіст праворуч	Підтверджено	Підтверджено	Підтверджено	Три з трьох
7. Рівень інвестування	Експоненційний, хвіст праворуч	Підтверджено	Підтверджено	Підтверджено	Три з трьох
8. Тривалість життя	Нормальний	Підтверджено	Підтверджено	Логномальний, хвіст ліворуч	Два з трьох

18 of 21

18

РЕЗУЛЬТАТИ ЦИФРОВІЗАЦІЇ ВИЗНАЧЕННЯ

МЕЖ БЕЗПЕЧНОГО ІСНУВАННЯ

Індикатори	Lower Critical	Lower Threshold	Lower Optimal	Upper Optimal	Upper Threshold	Upper Critical
1.Рівень забезпечення власними енерго ресурсами	72,27	80,7	87,6	96,1	108,0	115,3
2. Енергоємність ВВП (D)	0,3024	0,26	0,1866	0,1336	0,0962	0,08
3. ВВП на 1 особу	10,36	15,72	26,5	47,2	75,74	92,95
4.Енерго споживання на 1 особу	1,67	2,315	3,428	5,6	7,492	8,58
5. Кінцева вуглеємність енергії (D)	114,6	103,8	85,48	63,8	52,2	45,38
6. Рівень викидів СО₂ на 1 ВВП (D)	0,919	0,7644	0,4973	0,3034	0,1788	0,1
7. Рівень інвестування	13	13,7	14,5	16,0	18,2	19,5
8. Тривалість життя	70,2	71,7	74,4	78,3	80,9	82,4

19 of 21

19

ПРИКЛАД ВИХІДНОГО ФАЙЛУ МОДЕЛІ ЦИФРОВІЗАЦІЇ

20 of 21

20

ПРИКЛАД ЗАСТОСУВАННЯ ГРАНИЧНИХ ЗНАЧЕНЬ ДЛЯ ЕНЕРГЕТИЧНОЇ БЕЗПЕКИ

21 of 21

21

ДЯКУЮ ЗА УВАГУ !

Відмінна особливість пропонуємого методу формалізованого визначення граничних значень індикаторів безпеки – повна відсутність суб’єктивізму та повна математична формалізація, що суттєво підвищує швидкість, якість та достовірність отриманих результатів при оцінюванні рівня сталого розвитку, економічної безпеки, національної безпеки або національної стійкості незалежно від рівня кваліфікації дослідника.